個人理解 DSST 總體與kcf類似。 在位置計算的基礎上添加了縮放尺度迴歸。其中位置的迴歸參考kcf
縮放尺度迴歸原理如下：
1.在原尺度框的大小爲基礎 1，向上乘以scale_factor 得到幾個尺度，向下除以scale_factor得到幾個尺度
2.每個尺度的圖像都縮放到原尺度
3.對每個尺度做hog特徵提取，假設hog特徵爲16*16*32 其中32位hog特徵的維度，並拉昇爲一維 1x (16 *16 * 32)
最後得到的矩陣爲 (16 * 16 * 32) x num_scale num_scale 爲列數
4.將以上矩陣想象爲 位置迴歸中的hog特徵。則其餘計算類似 ，註明：在與模板相關性的計算過程中，
最後輸出的響應是 1 x num_scale
5.在響應中尋找最大值，則爲對應的尺寸。
該算法與kcf相比，在計算量上多了多尺度的計算，故運算時間相差5-10倍左右。
相關濾波優化思路主要是 特徵壓縮，pca降維 ，性能會提升很多，效果會下降，主要根據實際場景來權衡了。
其次，浮點改定點性能會有提升，效果不變
以下內容轉載至：http://blog.csdn.net/roamer_nuptgczx/article/details/50134633
基於相關濾波的跟蹤算法近年來受到了較大的關注，其最初的代表作可以追溯到2010年CVPR的《Visual object tracking using adaptive correlation filters》，這篇paper提出了一種MOSSE correlation filter，並將其應用於視覺跟蹤當中，取得了較好的效果。DSST算法基於MOSSE做了改進和拓展，實現了快速且準確的目標尺度評估，算法的總體效果表現不錯。如果想要徹底理解DSST算法，最好認真讀一讀源碼，作者提供的matlab代碼寫得清晰易懂，註釋也很詳細，通過讀代碼能夠更加深入具體地瞭解其思想和實現細節，下面貼出我的總結PPT。
更新：
據測試，DSST在VOT2014 Benchmark中排名第一，在這裏可以獲取更多關於DSST的相關資料，包括完整版本和VOT版本的MATLAB源碼等。
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
